基于卷积神经网络及长短时记忆网络的短时船舶交通流量预测  

Short-Term Water Traffic Flow Prediction with Convolutional Neural Network and Long Short-Term Memory Network

作　　者：刘敬贤[1,2,3] 高广旭 刘奕[1,2,3] 李宗志[4] LIU Jingxian;GAO Guangxu;LIU Yi;LI Zongzhi(School of Navigation,Wuhan University of Technology,Wuhan 430063,China;Hubei Key Laboratory of Inland Shipping Technology,Wuhan University of Technology,Wuhan 430063,China;National Engineering Research Center for Water Transport Safety,Wuhan University of Technology;Illinois Institute of Technology,Chicago IL 60616,USA)

机构地区：[1]武汉理工大学航运学院,武汉430063 [2]武汉理工大学内河航运技术湖北省重点实验室,武汉430063 [3]武汉理工大学国家水运安全工程技术研究中心,武汉430063 [4]伊利诺伊理工大学,美国芝加哥IL60616

出　　处：《中国航海》2022年第2期56-61,68,共7页Navigation of China

基　　金：国家自然科学基金(51709219);湖北省科技创新专项(2019AHB053)。

摘　　要：由于船舶交通流具有非线性和复杂性的特征,传统交通流量预测方法的预测结果精度普遍不高,且需大量历史数据进行训练。在考虑船舶交通流数据时间特性的基础上增加了对数据空间特性的考虑,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)和长短时记忆网络(Long Short-Term Memory,LSTM)的短时船舶交通流量预测模型,并引入动态时间规整(Dynamic Time Warping,DTW)算法构造损失函数,提升模型的预测精度。结果表明:通过与灰色模型(Grey Model,GM)、差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model,ARIMA)、小波神经网络(Wavelet Neural Network,WNN)、反向传播神经网络(Back Propagation Neural Network,BPNN)和CNN-LSTM等模型对比,所提出的CNN-LSTM-DTW预测模型的预测结果相对误差最小,可信度高,预测精度优于对比模型。The convolutional neural network and long short-term memory network are used together to improve accuracy of short-term water traffic flow prediction and reduce the network training time.Loss function is constructed based on dynamic time warping algorithm.Achieved prediction accuracy of the design is compared to that of other models,including GM(Grey Model),ARIM,WNNA,WNN,BPNN,CNN-LSTM and proved to be superior.

关 键 词：船舶交通流量 卷积神经网络 长短时记忆网络 动态时间规整法 组合预测 

分 类 号：U692[交通运输工程—港口、海岸及近海工程]